3.使用残差结构网络

        YOLO第三版借鉴了ResNet结构，也设计了一个残差网络Darknet-53，如图所示，使得整个网络更容易训练。

论文还提到了一些实验 

4. Things We Tried That Didn’t Work  

      我们在开发YOLOv3的时候尝试了很多东西。很多方法都不起作用。这是我们能记住的东西。

        Anchor box x, y offset predictions. 我们尝试使用普通的锚盒预测机制，其中你使用线性激活来预测x，y偏移为盒子宽度或高度的倍数。我们发现这个公式降低了模型的稳定性，而且效果不是很好。 

         Linear x, y predictions instead of logistic. 我们尝试使用线性激活来直接预测x，y的偏移量，而不是逻辑激活。这导致了mAP值下降了几个百分点。

        Focal loss. 我们尝试使用焦点损失。它使我们的mAP下降了大约2%。YOLOv3可能已经对焦点损失试图解决的问题具有鲁棒性，因为它有独立的客观性预测和条件类预测。因此，对于大多数例子来说，类别预测没有损失吗？还是什么？我们不太确定。

        Dual IOU thresholds and truth assignment. Faster RCNN在训练过程中使用了两个IOU阈值。如果IOU>0.7，作为一个积极的例子，[0.3−0.7]它被忽略，对于IOU<0.3，这是一个消极的例子。我们尝试了类似的策略，但没有取得好的结果。         

        我们很喜欢我们目前的公式，它似乎至少是在一个局部最优的状态。这些技术中的一些最终可能会产生好的结果，也许它们只需要一些调整来稳定训练。